Искусственный интеллект для контроля качества продукции машиностроительного завода
О проекте
Активное развитие информационных технологий запустило оптимизацию бизнеса. Задачи, выполнение которых ранее занимало несколько часов и требовало участия специалистов, сегодня могут быть решены за считанные минуты с помощью современного программного обеспечения.
Если автоматизация уже доказала свою эффективность в малом и среднем бизнесе, представьте, каких масштабов может достичь её результат на крупных промышленных предприятиях.
Традиционно заводы неохотно соглашаются на внедрение новых технологий — смена привычных бизнес-моделей требует значительных затрат и временных ресурсов. Однако выгоды автоматизации очевидны:
Именно эти соображения стали отправной точкой для нашего клиента — крупного машиностроительного завода — в решении автоматизировать процесс контроля качества сварных соединений (швов) на рамах тележек.
Цель проекта — создать и внедрить универсальную роботизированную измерительную ячейку (РИЯ), которая самостоятельно проверяет качество сварки швов, исключая человеческий фактор, выявляет дефекты, автоматически формирует техническую документацию (паспорт изделия) и накапливает данные о несоответствиях продукции установленным стандартам.
Если автоматизация уже доказала свою эффективность в малом и среднем бизнесе, представьте, каких масштабов может достичь её результат на крупных промышленных предприятиях.
Традиционно заводы неохотно соглашаются на внедрение новых технологий — смена привычных бизнес-моделей требует значительных затрат и временных ресурсов. Однако выгоды автоматизации очевидны:
- Повышается качество и надежность продукции за счет высокой точности измерительного оборудования.
- Увеличивается производительность: объемы растут, временные затраты сокращаются.
- Снижаются операционные расходы.
- Существенно ускоряется процесс подготовки технической документации, аналитики и отчётности.
- Повышается конкурентоспособность предприятия за счет улучшения качества изделий, возможности оперативной адаптации к рыночным условиям и масштабирования производства.
Именно эти соображения стали отправной точкой для нашего клиента — крупного машиностроительного завода — в решении автоматизировать процесс контроля качества сварных соединений (швов) на рамах тележек.
Цель проекта — создать и внедрить универсальную роботизированную измерительную ячейку (РИЯ), которая самостоятельно проверяет качество сварки швов, исключая человеческий фактор, выявляет дефекты, автоматически формирует техническую документацию (паспорт изделия) и накапливает данные о несоответствиях продукции установленным стандартам.
Задача
Заказчик планировал заменить текущую технологию ручной проверки качества на современную систему, основанную на использовании 3D-сканера с лазерным трекером, который позволяет получать цифровой двойник изделия, анализировать геометрию, определять наличие и корректность размещения приварных элементов.
Перед проектной командой Globus IT стояли следующие задачи:
Перед проектной командой Globus IT стояли следующие задачи:
- Автоматизировать процессы контроля качества, полностью исключив влияние человеческого фактора, повысив точность и надежность проверки.
- Разработать программное обеспечение, способное определять дефекты сварного шва, фиксировать их координаты и формировать электронные паспорта изделий с описанием геометрических параметров и допущенных отклонений.
- Выполнить реверс-инжиниринг: интегрировать решения с промышленным манипулятором, который поставлялся уже с установленным ПО.
- Разработать систему автоматического формирования отчетов о нарушениях качества с привязкой к чертежам изделий.
- Интегрировать веб-решения в информационную систему управления предприятия для организации единого цифрового пространства контроля качества.
Реализация
В рамках проекта была разработана специализированная программа разметки данных на языке C# .Net с интерфейсом WinForms и подробной инструкцией для пользователей. Базой для построения алгоритмов стали около 12 000 фотографий, полученных от РИЯ.
На этапе сбора обучающего датасета команда столкнулась с дефицитом бракованных изделий — данные были недостаточно репрезентативными. Поэтому было принято решение искусственно моделировать дефекты в производственном процессе и фиксировать их, формируя обогащенную обучающую выборку.
Нейросети для определения дефектов разрабатывались вручную. Обучение происходило на языке Python 3.6 с использованием TensorFlow 2, OpenCV, tensorboard и других инструментов. Особое внимание уделялось созданию сбалансированных mini-batch-датасетов, исключающих пересечения и перекосы классов.
Анализ данных на РИЯ реализован также на C# .Net, при этом для интеграции модуля ИИ использовался TensorFlow .Net. Обмен между программными компонентами происходил через протокол OPC с применением OPC UA SDK.
Кроме того, было создано веб-решение для формирования отчётов, интегрированное во внутреннюю систему управления предприятием.
Итоговая система в реальном времени:
На этапе сбора обучающего датасета команда столкнулась с дефицитом бракованных изделий — данные были недостаточно репрезентативными. Поэтому было принято решение искусственно моделировать дефекты в производственном процессе и фиксировать их, формируя обогащенную обучающую выборку.
Нейросети для определения дефектов разрабатывались вручную. Обучение происходило на языке Python 3.6 с использованием TensorFlow 2, OpenCV, tensorboard и других инструментов. Особое внимание уделялось созданию сбалансированных mini-batch-датасетов, исключающих пересечения и перекосы классов.
Анализ данных на РИЯ реализован также на C# .Net, при этом для интеграции модуля ИИ использовался TensorFlow .Net. Обмен между программными компонентами происходил через протокол OPC с применением OPC UA SDK.
Кроме того, было создано веб-решение для формирования отчётов, интегрированное во внутреннюю систему управления предприятием.
Итоговая система в реальном времени:
- Выявляет дефекты сварки.
- Определяет их координаты и делает фото.
- Сохраняет результаты и автоматически формирует отчет.
- Предоставляет данные в цифровой системе управления.
Реализация
Автоматизация процесса контроля сварных соединений показала устойчивый и значимый эффект:
Проект стал успешным примером внедрения искусственного интеллекта в процессы крупного промышленного производства, доказал эффективность гибридной архитектуры с нейросетевыми компонентами и дал основу для масштабирования решения, экспериментов с архитектурой моделей и их адаптации под задачи других промышленных заказчиков.
- Количество брака на производстве снизилось на 10%.
- Экономический эффект от внедрения РИЯ составил более 16 млн рублей в год.
- Человеческий фактор полностью исключен из процесса контроля — качество и надёжность изделий существенно повысились.
- Процесс подготовки технической документации стал автоматизированным: информация о каждом изделии и случае брака фиксируется в режиме реального времени и сохраняется в централизованной базе.
Проект стал успешным примером внедрения искусственного интеллекта в процессы крупного промышленного производства, доказал эффективность гибридной архитектуры с нейросетевыми компонентами и дал основу для масштабирования решения, экспериментов с архитектурой моделей и их адаптации под задачи других промышленных заказчиков.
Технологии
OpenCV
C# .Net
TensorFlow .Net
WinForms
Python 3.6
TensorFlow 2
Tensorboard
OPC UA SDK
Обсудить идею или проект
